Případové usuzování v expertním systému NEST Vladimír Laš, Petr Berka Vysoká škola ekonomická, Praha.

Slides:



Advertisements
Podobné prezentace
Pojištění úvěrů pro české investice v zahraničí Nový produkt dle VPP „If“ pro investiční úvěry poskytnuté finančními institucemi.
Advertisements

Microsoft Silverlight
Pravidlové expertní systémy
Expertní Systémy Petr Berka 1.
Přednáška č. 5 Proces návrhu databáze
A5M33IZS – Informační a znalostní systémy Datová analýza I.
Úvod do expertních systémů
C# pro začátečníky Mgr. Jaromír Osčádal
Organon Interaktivní webová aplikace pro výuku logiky
4IZ 229 – Cvičení 3 Práce s neurčitostí Vladimír Laš.
Vypracoval: Ladislav Navrátil, EI-4 Umělá inteligence Zaměření Expertní systémy.
A5M33IZS – Informační a znalostní systémy Úvod do problematiky expertních systémů.
PROGRAMOVACÍ JAZYKY (c) Tralvex Yeap. All Rights Reserved.
Memory-based Learning Učení založené na paměti (výtah z přednášky Waltera Daelemanse, GSLT, Göteborg 2003) + TiMBL -ukázka použití programu Jiří Mírovský,
© 2003 FSS, spol. s r.o. Všechna práva vyhrazena.1 e - Insurance Management System Financial Support Services Struktura systému.
4IZ 229 GEBZ (grafický editor báze znalostí) Vladimír Laš.
4IZ 229 – Cvičení 4 Složitější vlastnosti systému NEST Vladimír Laš.
FI-02 Fyzikální měření Hlavní body Fyzika je založena na experimentu. Plánování měření a zpracování dat. Chyby měření. Chyby.
Hana Kotinová Struktura a cíl práce Metody předzpracování dat Systémy předzpracování dat Historie vývoje DPT Jak program pracuje Budoucnost.
ČVUT Praha, Fakulta elektrotechnická Diplomová práce Informační systém házenkářského turnaje Petr Plodík.
Shluková analýza.
Seminární práce Finance a sport Lenka Šikolová Dagmar Nášelová 3.ročník MngTVS.
TMF045 letní semestr 2005/2006 II Časová propagace vlnové funkce na mřížce I. (práce s momentovou reprezentací) (Lekce II)
PŘÍPRAVA METODICKÉHO POKYNU REKTORA VŠSS KE ZPRACOVÁNÍ DIPLOMOVÝCH PRACÍ Zpracování diplomové bakalářské práce.
Informační systém pro sportovní klub TTC Znojmo
Systémy pro podporu managementu 2
Praktické zkušenosti s pojištěním úvěrů na investice v zahraničí JUDr. Miroslav Somol, CSc. MSV Brno
Databázové systémy Architektury DBS.
DSpace a jeho možnosti z hlediska zpřístupňování VŠKP Mgr. Pavla Rygelová Ústřední knihovna VŠB-TU Ostrava Seminář Systémy pro zpřístupňování VŠKP : zkušenosti,
Reprezentace znalostí v UI Inteligentní systém musí umět předvídat důsledky svých akcí – potřebuje „model svého prostředí“. K jeho konstrukci potřebuje.
Informatika pro ekonomy II přednáška 10
Predikátová logika.
IGrid index Roman Krejčík. Obsah Motivace Prokletí dimenze Míry podobnosti IGrid, IGrid+ Experimentální porovnání.
XML Schema Irena Mlýnková. Obsah XML – úvod, příklad, základní pojmy DTD – přehled XML Schema – podrobně.
Vizualizace seismických dat projektu ORFEUS v prostředí MapServer UMN integrovaná na Live CD Řešitel: František Klímek Vedoucí: Ing. David Vojtek.
Artificial Intelligence (AI).  „Úloha patří do oblasti umělé inteligence, jestliže řešení, které najde člověk považujeme za projev jeho inteligence.
Systémy pro podporu managementu 2 Inteligentní systémy pro podporu rozhodování 1 (DSS a znalostní systémy)
Metody výběru variant Používají se pro výběr v případě více variant řešení stejného problému Lze vybírat dle jednoho nebo více kritérií V případě více.
Úvod do expertních systémů
Databázové modelování
Access Vysvětlení pojmu databáze - 01
Zpracování neurčitosti Fuzzy přístupy RNDr. Jiří Dvořák, CSc.
4IZ 229 – Cvičení 2 Tvorba báze znalostí Vladimír Laš.
Nové technologie pro webové aplikace v cestovním ruchu Nové technologie pro webové aplikace v cestovním ruchu Pavel Čech Unverzita Hradec Králové.
Infrastruktura pro dotazování nad sémantickými daty Jiří Dokulil, Jakub Yaghob, Filip Zavoral Katedra softwarového inženýrství, MFF UK Praha
Databázové systémy Datové modely.
České vysoké učení technické Fakulta elektrotechnická Datové typy, výrazy vstup, výstup Jazyk JAVA A0B36PRI - PROGRAMOVÁN Í v1.02.
11/2003Přednáška č. 41 Regulace výpočtu modelu Předmět: Modelování v řízení MR 11 (Počítačová podpora) Obor C, Modul M8 ZS, 2003, K126 EKO Předn./Cvič.:
Jan Růžička, Leden /01/05 Proč pro prezentaci prostorových dat využívat nástrojů WWW Nízké náklady na vybavení klientského počítače Snadné zvýšení.
MICROSOFT OFFICE 2007/2010. Důvod změny Inovace technologií Nové možnosti použití Kompatibilita Ukončení tech. podpory starších verzí Office 2003 –
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Didaktické metody Androdidaktika.
Mentální reprezentace
Mapové servery v lesnictví Připravil: Jakub Štrbík DIPLOMOVÁ PRÁCE Mendelova zemědělská a lesnická univerzita v Brně LESNICKÁ A DŘEVAŘSKÁ FAKULTA.
SOFTWAROVÁ PODPORA PRO VYTVÁŘENÍ FUZZY MODELŮ Knihovna fuzzy procedur Ing. Petr Želasko, VŠB-TU Ostrava.
Kapitola 5: Úvod do analytických technologií Webu Vítězslav Šimon (SIM0047) Adaptivní webové systémy (AWS)
as4u advanced system for you
Digitální učební materiál zpracovaný v rámci projektu
Internet - historie.
Geografické informační systémy
Vlastnosti souborů Jaroslava Černá.
Evidence aplikací a jejich dokumentace
Dobývání znalostí z databází znalosti
Digitální učební materiál zpracovaný v rámci projektu
Didaktické metody Androdidaktika.
Informatika pro ekonomy přednáška 8
Spojitá a kategoriální data Základní popisné statistiky
Číslo projektu CZ.1.07/1.5.00/ Číslo materiálu
METODOLOGIE PROJEKTOVÁNÍ
KMT/DIZ1 Věty, poučky a jejich důkazy ve školské matematice
Transkript prezentace:

Případové usuzování v expertním systému NEST Vladimír Laš, Petr Berka Vysoká škola ekonomická, Praha

KEG Obsah Expertní systém NEST Případové usuzování (obecně) Případové usuzování v NESTU principy kompozicionální odvozování logické odvozování Implementace Další vývoj - diskuze

KEG Expertní systém NEST (1/3) reprezentace znalostí atributy (binární, nominální jendoduché, nominální množinové, numerické) a od nich odvozené výroky každý atribut přiřazené zdroje: Standardní zdroje: odvozování, dotaz na uživatele Další zdroje: implicitní váha, soubor, externí funkce, výpočet pravidla: předpoklad  závěr (váha), akce kompozicionální - každý literál v závěru má váhu apriorní - kompozicionální pravidla bez předpokladu logická - nekompozicionální pravidla bez vah kontexty, integritní omezení

KEG Expertní systém NEST (2/3) inference jako kombinace zpětného a přímého řetězení kompozicionální inference pro kompozicionální a apriorní pravidla (kombinování příspěvků pravidel) nekompozicionální inference pro logická pravidla (modus ponens + disjunkce) zpracování neurčitosti neurčitost se může vyskytovat ve znalostech experta i v odpovědích uživatele během konzultace, kompozicionální (kombinování příspěvků všech aplikovatelných pravidel) založeno na algebraické teorii P. Hájka různé sady kombinačních funkcí (MYCIN + PROSPECTOR, Lukasiewiczova vícehodnotová logika, neuronové sítě) váhy reprezentovány jako intervaly [w 1,w 2 ] (díky monotónii všech funkcí lze počítat pouze s krajními hodnotami intervalů)

KEG Expertní systém NEST (3/3) základní režimy konzultace: dialogový, pomocí dotazníku, kombinovaný, „just- in-time“ implementováno jako stand-alone nebo client-server verze (vývojové prostředí Delphi).

KEG Případové usuzování – CBR (1/3) alternativa k pravidlovému usuzování znalosti reprezentovány množinou typických případů jako nestrukturované vektory hodnot atributů, jako strukturované objekty, nesoucí informace o situacích, kdy je použití případu relevantní i o akcích, které se mají provést.

KEG Případové usuzování – CBR (2/3) Usuzování na základě podobnosti pro případy reprezentované jako vektory hodnot atributů založeno na vzdálenosti: eukleidovská překrytí Podobnost: 1/d(x 1,x 2 ) nebo 1 - d(x 1,x 2 )

KEG Případové usuzování – CBR (3/3) Klasifikace (k-NN) 1. Pro nový příklad x 1.1. Najdi x 1, x 2, … x K K nejbližších příkladů 1.2. Přiřaď y = ŷ’  y‘ je majoritní třída příkladů x 1, … x K, (pokud y je kategoriální) nebo (pokud y je numerické)

KEG Případové usuzování a NEST – principy (1/2) případy odpovídají konzultacím - obsahují tedy informace o odpovědích na dotazy i o odvozených cílech (vyjádřeno jako váhy příslušných výroků) jsou-li v BZ mezilehlé výroky, nejsou při odvozování použity podobnost mezi případem a novou konzultací dána podobností mezi váhami odpovídajících si výroků analogicky s pravidlovým usuzováním navrženo kompozicionální a logické (nekompozicionální) odvozování

KEG Případové usuzování a NEST – principy (2/2) odvozování realizováno „kombinačními funkcemi“ pro výpočet podobnosti vah dvou (odpovídajících si) výroků výpočet podobnosti dvou konzultací (případu a konzultace) - na základě podobností vah všech výroků (dotazů) případu a nové konzultace výpočet váhy cíle nové konzultace – na základě váhy cíle u případu a podobnosti mezi případem (případy) a novou konzultací možnost pracovat s intervaly vah

KEG Podobnost vah výroku pro práci s intervaly ([w a1,w a2 ], [w b1,w b2 ] jestliže se intervaly nepřekrývají: jestliže se intervaly překrývají: Případové usuzování a NEST – kompozicionální odvozování (1/2)

KEG Případové usuzování a NEST – kompozicionální odvozování (2/2) Váha cíle Podobnost dvou konzultací pro práci s intervaly se zvlášť spočítá váha pro horní a pro dolní mez

KEG Případové usuzování a NEST – logické odvozování (1/2) Podobnost vah výroku Podobnost dvou konzultací pro práci s intervaly se zvlášť spočítá váha pro horní a pro dolní mez

KEG Případové usuzování a NEST – logické odvozování (2/2) Váha cíle pro práci s intervaly je případ s podobností [a 1,a 2 ] podobnější nové konzultaci než případ s podobností [b 1,b 2 ], jestliže:

KEG Implementace případového usuzování v systému NEST návaznost na stávající systém NEST zatím implementována jen stand-alone verze jen dva režimy práce (dotazník a nahrání odpovědí ze souboru) podobně jako u pravidlového odvozování nemusí být zadány hodnoty všech atributů, nezodpovězené dotazy získají implicitní váhu „neznámá“ (w=[-1,1]) případně „irelevantní“ (w=0)

KEG Screenshot s vysvětlením závěru konzultace

KEG Problém v logickém odvozování konzultaceVáha dotazuVáha cíle 1[1;1][0;1] 2[-1;-0.5][-1;0] Nová konzultace[-1;1][-1;0] - ?? Pro “konkrétní“ hodnoty z intervalů může nastat situace, kdy konzultace 1 je podobnější. Správný výsledek: [-1;1] Připravena úprava logického odvozování

KEG Další vývoj NESTu (1/3) Zatím případové usuzování začleněno do NESTu jako samostatný modul Další práce kombinování pravidlového a případového usuzování vážené hlasování obou přístupů volba vhodnějšího přístupu pro danou konzultaci modifikace pravidel na základě případů

KEG Další vývoj NESTu (2/3) nový software Důvody pro nový software problémy s implementací případového usuzování (resp. s propojením CBR a RBR) problémy s webovou verzí NESTu ukončený vývoj prostředí Delphi

KEG Další vývoj NESTu (3/3) nový software Možné vlastnosti softwaru „propojení“ zdrojů a usuzování CBR, RBR (či případné další usuzování) na stejné úrovni jako současné zdroje (výpočet, soubor, …) kombinování výsledků z více zdrojů primárně webová aplikace (psáno v aspx.NET) přidání „vztahů“ mezi výroky propojení se standardními jazyky (SWRL – semantic web rule language)